CAPÍTULO 1 -
CONSIDERAÇÕES FINAIS
Nos últimos anos, houve uma preocupação crescente com o problema de programação do tipo FJSP, que é uma extensão do JSP clássico. Considerado pela literatura como um problema NP-difícil, na qual via minimizar os objetivos predefinidos. Devido a sua complexidade, pode ser divido em dois subproblemas: um é o roteamento, que consiste em alocar as operações nas máquinas e o outro é a programação que consiste em sequenciar a ordem das operações em cada máquina. Vale ressaltar que a maior parte das pesquisas busca apenas um único alvo de otimização, e os modelos existentes carecem de versatilidade devido à falta de restrições sobre a produção real. Portanto, neste trabalho foi proposto um algoritmo ACO para resolver o FJSP multiobjetivo.
Nesta abordagem o algoritmo ACO é aplicado de forma hierárquica em dois estágios. No primeiro estágio é resolvido o subproblema de roteamento usando a regra SPT e no segundo estágio é resolvido o subproblema de programação, onde cada formiga constrói um cronograma de programação viável conforme as restrições que se aplicam ao problema, e em seguida, as soluções resultantes são levadas a um ótimo local pelo mecanismo de pesquisa local. Cada uma dessas soluções é usada no processo de atualização de feromônio. Por meio deste procedimento a abordagem proposta convergiu para soluções ótimas com custo computacional relativamente baixo, considerando o tempo total de produção ( ), a carga de trabalho da máquina mais crítica ( ) e a carga de trabalho de todas as máquinas ( ) como critérios de desempenho.
O algoritmo proposto foi avaliado em quatro instâncias Kacem e uma instância Brdata, e comparado com outras abordagens encontradas na literatura mediante os resultados obtidos nos três critérios de desempenho. Os experimentos demonstraram que o algoritmo proposto é eficaz para resolver o FJSP multiobjetivo e mostrou eficiência nas instâncias de
grande escala apresentando melhores resultados em comparação com a maioria das abordagens observadas. Além disso, pode-se inferir que a abordagem proposta foi capaz de resolver o problema em quantidade razoável de tempo, de forma eficiente em todos os cenários.
6.1 Trabalhos Futuros
Visto que a indústria e os sistemas de manufatura são caracterizados por rupturas, eventos não planejados e incidentes imprevistos que podem acontecer a qualquer momento, como quebra da máquina, manutenção, entre outros, observa-se a possiblidade de estender esta pesquisa para tratar do FJSP multiobjetivo, considerando a programação reativa da produção.
Percebe-se que os valores de parâmetros do ACO impactam muito na qualidade das soluções apresentadas. Outra possibilidade de trabalho futuro com extensão desta pesquisa seria a inclusão de um mecanismo inteligente para ajuste de parâmetros automáticos. Nesta abordagem seria criado um banco de dados para guardar os valores de parâmetros, onde cada registro desta base de dados corresponderia a um conjunto de parâmetros do ACO. Esta base de informações poderia ser os dados de entrada para uma rede neural artificial que seria treinada para apresentar uma solução de parâmetros ao algoritmo ACO.
REFERÊNCIAS
AKYOL, D. E.; BAYHAN, G. M. A review on evolution of production scheduling with
neural networks. Computers & Industrial Engineering, v. 53, n. 1, p. 95-122, 2007.
BAGHERI, A.; ZANDIEH, M.; MAHDAVI, I.; YAZDANI, M. An artificial immune
algorithm for the flexible job-shop scheduling problem. Future Generation Computer
Systems, v. 26, n. 4, p. 533-541, 2010.
BANKS, J.; CARSON, J. S.; NELSON, B. L. Disrete-Event System Simulation. Prendice- Hall, Englewood Cliffs, NJ, 1996.
BLUM, C.; ROLI, A. Metaheuristics in combinatorial optimization: Overview and
conceptual comparison. ACM Computing Surveys (CSUR), v. 35, n. 3, p. 268-308, 2003.
BLUM, C.; ROLI, A.; DORIGO, M. HC–ACO: The hyper-cube framework for Ant
Colony Optimization. In Proceedings of MIC’2001-Metaheuristics International Conference, vol. 2, 399–403, 2001.
BRANDIMARTE, P. Routing and scheduling in a flexible job shop by tabu search. Annals of Operations research, v. 41, n. 3, p. 157-183, 1993.
BULLNHEIMER, B.; HARTL, R. F.; STRAUSS, C. A new rank-based version of the Ant
System: A computational study. Central European Journal for Operations Research and
Economics, 7(1), 25–38, 1999.
COLORNI, A.; DORIGO, M.; MANIEZZO, V. An investigation of some properties of an
ant algorithm. In R. Männer & B. Manderick (Eds.), Proceedings of PPSN-II, Second
INTERNATIONAL CONFERENCE ON PARALLEL PROBLEM SOLVING FROM NATURE, p. 509–520, Amsterdam, Elsevier, 1992.
DAUZÈRE-PÉRÈS, S.; PAULLI, J. An integrated approach for modeling and solving the
general multiprocessor job-shop scheduling problem using tabu search. Annals of
Operations Research, v. 70, p. 281-306, 1997.
DENG, Q.; GONG, G.; GONG, X.; ZHANG, L.; LIU, W.; REN, Q. A Bee Evolutionary
Guiding Nondominated Sorting Genetic Algorithm II for Multiobjective Flexible Job- Shop Scheduling. Computational intelligence and neuroscience, v. 2017, 2017.
DESROCHERS, A. A.; AL-JAAR, R. Y. Applications of Petri nets in manufacturing
systems: modeling, control, and performance analysis. IEEE, 1995.
DORIGO, M. Optimization, learning and natural algorithms. PhD thesis, Dipartiment di Elettronica, Politecnico di Milano, Italy, 1992.
DORIGO, M.; DI CARO, G. Ant Colony Optimisation: A new metaheuristic. Proceedings of the Congress on Evolutionary Computation, p. 1470 - 1477, IEEE Press, 1999.
DORIGO, M.; GAMBARDELLA, L. M. Ant colonies for the traveling salesman problem. BioSystems, 43(2), 73–81, 1997a.
DORIGO, M.; GAMBARDELLA, L. M. Ant Colony System: A cooperative learning approach to the traveling salesman problem. IEEE Transactions on Evolutionary Computation, 1(1), 53–66, 1997b.
DORIGO, M.; MANIEZZO, V.; COLORNI, A. Positive feedback as a search strategy. Technical report 91-016, Dipartimento di Elettronica, Politecnico di Milano, Milan, 1991. DORIGO, M.; MANIEZZO, V.; COLORNI, A. Ant System: Optimization by a colony of
cooperating agents. IEEE Transactions on Systems, Man, and Cybernetics - Part B, 26(1),
29–41, 1996.
DORIGO, M.; STUTZLE, T. Ant Colony Optimization. Massachusetts Institute of Technology, 2004.
FERNANDES, F. C. F; FILHO, M. G. Planejamento e Controle da Produção: dos fundamentos ao essencial. 1. ed. - São Paulo: Atlas, 2010.
FLÓREZ, E.; GÓMEZ, W.; BAUTISTA, L. An ant colony optimization algorithm for job
shop scheduling problem. International Journal of Artificial Intelligence & Applications
(IJAIA), v. 4, n. 4, p. 53-66, 2013.
FNAIECH, N.; HAMMAMI, H.; YAHYAOUI, A.; CHRISTOPHE, V.; FNAIECH, F.; NOUREDDINE, Z. New Hopfield Neural Network for joint Job Shop Scheduling of
production and maintenance. In: IECON 2012-38th Annual Conference on IEEE Industrial
Electronics Society. IEEE, p. 5535-5541, 2013.
GAMILA, M. A.; MOTAVALLI, S. A modeling technique for loading and scheduling
problems in FMS. Robotics and Computer-Integrated Manufacturing, v. 19, n. 1, p. 45-54,
2003.
HAHN, B.; VALENTINE, D. Essential MATLAB for engineers and scientists. 4. ed. - Academic Press, 2010.
HUANG, S.; TIAN, N.; WANG, Y.; JI, Z. Multi-objective flexible job-shop scheduling
problem using modified discrete particle swarm optimization. SpringerPlus, v. 5, n. 1, p.
1432, 2016.
HUANG, R.; YU, T. An effective ant colony optimization algorithm for multi-objective
job-shop scheduling with equal-size lot-splitting. Applied Soft Computing, v. 57, p. 642-
656, 2017.
KACEM, I.; HAMMADI, S.; BORNE, P. Approach by localization and multiobjective
evolutionary optimization for flexible job-shop scheduling problems. Systems, Man, and
Cybernetics, Part C: Applications and Reviews, IEEE Transactions on, v. 32, n. 1, p. 1-13, 2002a.
KACEM, I.; HAMMADI, S.; BORNE, P. Pareto-optimality approach for flexible job-shop
scheduling problems: hybridization of evolutionary algorithms and fuzzy logic.
Mathematics and Computers in Simulation, v. 60, p. 245-276, 2002b.
LI, J.; PAN, Q.; LIANG, Y. An effective hybrid tabu search algorithm for multi-objective
flexible job-shop scheduling problems. Computers & Industrial Engineering, v. 59, n. 4, p.
LI, J.; PAN, Q.; XIE, S. An effective shuffled frog-leaping algorithm for multi-objective
flexible job shop scheduling problems. Applied Mathematics and Computation, v. 218, n.
18, p. 9353-9371, 2012.
LI, L.; KEQI, W.; CHUNNAN, Z. An improved ant colony algorithm combined with
particle swarm optimization algorithm for multi-objective flexible job shop scheduling problem. In: Machine Vision and Human-Machine Interface (MVHI), International
Conference on. IEEE, p. 88-91, 2010.
LIOUANE, N.; SAAD, I.; HAMMADI, S.; BORNE, P. Ant systems & local search
optimization for flexible job shop scheduling production. International Journal of
Computers Communications & Control, v. 2, n. 2, p. 174-184, 2007.
LUGER, G. F. Artificial Intelligence: Structures and Strategies for Complex Problem Solving. 6. ed. - United States of America: Pearson Education, 2008.
MANIEZZO, V. Exact and approximate nondeterministic tree-search procedures for the
quadratic assignment problem. INFORMS Journal on Computing, 11(4), p. 358-369, 1999.
MATHWORKS. Object-Oriented Programming in MATLAB. Disponível em: <https://www.mathworks.com/discovery/object-oriented-programming.html> Acesso em: 13 abr. 2018.
NETO, A. J. S.; BECCENERI, J. C. Técnicas de Inteligência Computacional Inspiradas
na Natureza – Aplicação em Problemas Inversos em Transferência Radiativa. Sociedade
Brasileira de Matemática aplicada e Computacional (SBMAC), v. 41, 2009.
SAIDI-MEHRABAD, M.; DEHNAVI-ARANI, S.; EVAZABADIAN, F.; MAHMOODIAN, V. An Ant Colony Algorithm (ACA) for solving the new integrated model of job shop
scheduling and conflict-free routing of AGVs. Computers & Industrial Engineering, v. 86,
p. 2-13, 2015.
SLACK, N.; CHAMBERS, S.; JOHNSTON, R. Administração da produção. 1. ed. - São Paulo: Editora Atlas, 2002.
STONE, P.; BROOKS, R.; BRYNJOLFSSON, E.; CALO, R.; ETZIONI, O.; HAGER, G.; LEYTON-BROWN, K. Artificial intelligence and life in 2030. One Hundred Year Study on
Artificial Intelligence: Report of the 2015-2016 Study Panel, 2016.
STUTZLE, T.; Hoos, H. H. The MAX-MIN Ant System and local search for the traveling
salesman problem. In T. Back, Z. Michalewicz, X. Yao (Eds.), Proceedings of the 1997
IEEE International Conference on Evolutionary Computation (ICEC’97), p. 309–314. Piscataway, NJ, IEEE Press, 1997.
TUBINO, D. F. Planejamento e Controle da Produção: teoria e prática. 1. ed. - São Paulo: Atlas, 2008.
VIANA, F. A. C.; KOTINDA, G. I.; RADE D. A.; STEFFEN JR, V., Tuning dynamic
vibration absorbers by using ant colony optimization. Computer and Structures, vol. 86, p.
1539-1549, 2008.
VOLLMANN, T. E.; BERRY, W. L.; WHYBARK, D. C.; Manufacturing Planning and
WANG, L.; CAI, J.; LI, M; LIU, Z. Flexible job shop scheduling problem using an
improved ant colony optimization. Scientific Programming, v. 2017, 2017.
WANG, X.; GAO L.; ZHANG C.; SHAO, X. A multi-objective genetic algorithm based on
immune and entropy principle for flexible job-shop scheduling problem. The
International Journal of Advanced Manufacturing Technology, v. 51, n. 5-8, p. 757-767, 2010.
WILLIEM, R. S.; SETIAWAN, K. Reinforcement learning combined with radial basis
function neural network to solve Job-Shop scheduling problem. In: Business Innovation
and Technology Management (APBITM), 2011 IEEE International Summer Conference of Asia Pacific. IEEE, p. 29-32, 2011.
WU, J.; WU, G. D.; WANG, J. J. Flexible Job-Shop Scheduling Problem Based On
Hybrid ACO Algorithm. International Journal of Simulation Modelling (IJSIMM), v. 16, n.
3, 2017.
XIA, W.; WU, Z. An effective hybrid optimization approach for multi-objective flexible
job-shop scheduling problems. Computers & Industrial Engineering, v. 48, n. 2, p. 409-425,
2005.
XING, L.; CHEN, Y.; WANG, P.; ZHAO, Q.; XIONG, J. A knowledge-based ant colony
optimization for flexible job shop scheduling problems. Applied Soft Computing, v. 10, n.
3, p. 888-896, 2010.
XING, L.; CHEN, Y.; YANG, K. An efficient search method for multi-objective flexible
job shop scheduling problems. Journal of Intelligent Manufacturing, v. 20, n. 3, p. 283-293,
2009.
XUE, H.; ZHANG, P.; WEI, S.; YANG, L. An Improved Immune Algorithm for Multi-
objective Flexible Job-shop Scheduling. JNW, v. 9, n. 10, p. 2843-2850, 2014.
XUESONG, J.; QIAOYUN, T. Multi-objective flexible job shop schedule based on ant
colony algorithm. In: Distributed Computing and Applications for Business Engineering and
Science (DCABES), 14th International Symposium on. IEEE, p. 70-73, 2015.
YAHYAOUI, A.; FNAIECH, N.; FNAIECH, F. A suitable initialization procedure for
speeding a neural network job-shop scheduling. Industrial Electronics, IEEE Transactions
on, v. 58, n. 3, p. 1052-1060, 2011.
ZHANG, G.; SHAO, X.; LI, P.; GAO, L. An effective hybrid particle swarm optimization
algorithm for multi-objective flexible job-shop scheduling problem. Computers &